ка є спільною для всіх пунктів. Частка дисперсії, за яку відповідає кожен пункт, дорівнює тоді сумарною дисперсії, відповідної всім змінним, мінус спільність. Із загальної точки зору в якості оцінки спільності слід використовувати множинний коефіцієнт кореляції обраної змінної з усіма іншими
Ви хочете знайти 0, Люгнт. Нижче наведена таблиця навантажень на повернені фактори (Табл.3).
Табл. 3 - Навантаження на повернені фактори
STATISTICA ФАКТОРНИЙ АНАЛІЗФакторние навантаження (варімакс нормалізується.) Виділення: Головні компоненти ПеременнаяФактор 1Фактор 2РАБОТА_1 РАБОТА_2 РАБОТА_3 ДОМ_1 ДОМ_2 ДОМ_3.862443.890267.886055.062145.107230.140876.051643.110351.152603.845786.902913.869995Общая дисперсія Частка загальної дісп.2.356684.3927812.325629.387605
Інтерпретація структури чинника
Тепер картина стає більш ясною. Як і очікувалося, перший фактор відзначений високими навантаженнями на змінні, пов'язані з задоволеністю на роботі, а другий чинник - з задоволеністю будинком. З цього ви повинні укласти, що задоволеність, виміряна вашим запитальником, складена з двох частин: задоволеність будинком і роботою, отже, ви справили класифікацію змінних.
Розглянемо наступний приклад, тут до попереднього прикладу додалися чотири нових змінних Хоббі.
Рис. 3 - Діаграма розсіювання факторних навантажень
На цьому графіку (Рис.3) 10 змінних були зведені до трьох чинників - фактор задоволеності роботою (work), фактор задоволеності будинком (home), і фактор задоволеності хобі (hobby / misc). Зауважимо, що факторні навантаження для кожного фактора мають сильно розрізняються значення для інших двох факторів, але великі значення саме для цього фактора. Наприклад, факторні навантаження для змінних, що відносяться до хобі (виділені зеленим кольором) мають і великі, і малі значення для «дому» і «роботи», але всі чотири змінні мають великі факторні навантаження для фактора «хобі».
Косокутні фактори
Деякі автори (наприклад, Харман (Harman, 1976), Дженнріх і Семпсон (Jennrich, Sampson, 1966); Кларксон і Дженнріх (Clarkson, Jennrich, 1988)) обговорювали досить детально концепцію косокутним (Не ортогональних ) чинників, для того щоб досягти більш простий інтерпретації рішень. Зокрема, були розвинені обчислювальні стратегії, як для обертання факторів, так і для кращого уявлення «кластерів» змінних без відмови від ортогональності (тобто незалежності) факторів. Однак косокутні фактори, одержувані за допомогою цих процедур, важко інтерпретувати. Повернемося, наприклад, обговорювалося вище, і припустимо, що ви включили в запитальник чотири пункти, що вимірюють інші типи задоволеності (Хобби). Припустимо, що відповіді людей на ці пункти були однаково пов'язані як з задоволеністю будинком (Фактор 1), так і роботою (Фактор 2). Косокутність обертання повинно дати, очевидно, два корелюють фактора з меншою, ніж раніше, виразністю, тобто з великими перехресними навантаженнями.
Ієрархічний факторний аналіз
Замість обчислення навантажень косокутним факторів, для яких часто важко дати хорошу інтерпретацію, ви можете використовувати стратегію, вперше запропоновану Томсоном (Thompson, 1951) і Шмідтом і Лейманн (Schmidt, Leiman, 1957), яка було дет...
